曝 MiniMax M3.1 Flash 疑在 Artificial Analysis 私有基准上刷榜
teortaxesTex · x · 2026-10-20
网友提出「阴谋论」并附实测证据，指 MiniMax M3.1-Flash 在 Artificial Analysis 的闭门基准 AA Omniscience 上成绩异常：
- 跳变幅度离谱：M3 得分 17%（低于 GPT-4.1 mini），M3.1-F 直接跳到 56%（超过 Gemini 4 argon），提升 39%；而史上小版本最大提升是 Gemini 3.1 Pro 的 17%。该模型疑似 <400B 的 Flash 档，却超过了 2.8T 的 Kimi K3（48%）。
- 时间线可疑：模型权重公开前，AA 页面提前 1 小时就上线（DeepSeek 通常需 1-2 天）。
- 实测证据：作者把 AA 公开的 Omniscience 题目稍作改写使答案不同，其他模型都能答对，M3.1-F 却在 max effort 下仍输出原基准答案，思考过程中直接识别出题目——疑似在 AA 的 API 请求题目上重度训练过。
- 模型自身短板：不知道自家老板（MiniMax 创始人闫俊杰），幻觉频发。
结论：若属实，AA 的私有基准可信度受损，MiniMax 应被调查；建议对所有 AA 私有基准做同样的改题测试。teortaxesTex 转发称「这是在烧毁公共资源」，并预测 MiniMax 接下来会宣传「RSI」「持续学习」来解释，认为应调查。
「模型」频道最新
- 传 DeepSeek-V4.1-Flash 在 ML 研究任务上力压 Anthropic — teortaxesTex · 2026-10-20
- 实测 DeepSeek 对比 Claude 与 Codex:谷歌地图商家抓取任务各有胜负 — teortaxesTex · 2026-10-20
- 投资人弃 Astra 回归 Fable,押注 Fable 5.5 将再度登顶 — bindureddy · 2026-10-20
- AI 声称跑了计算实则没跑:一个「想当然」模式解释多数 AI 错误 — CourseSome8119 · 2026-10-20
- HeadEdit：不改权重即可校准 LLM 行为，九项实验全面生效 — burny_tech · 2026-10-20
- HealthBench 医疗基准排行出炉:GPT-6 屠榜,Claude 长答案被扣 11 分 — ArtificialAnlys · 2026-10-20